論文の概要: Inferring Scientific Cross-Document Coreference and Hierarchy with Definition-Augmented Relational Reasoning

• arxiv url: http://arxiv.org/abs/2409.15113v2
• Date: Tue, 24 Sep 2024 08:18:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-26 14:33:51.543845
• Title: Inferring Scientific Cross-Document Coreference and Hierarchy with Definition-Augmented Relational Reasoning
• Title（参考訳）: 定義強化関係推論による科学的相互文書照合と階層性の推定
• Authors: Lior Forer, Tom Hope,
• Abstract要約: 本稿では,全文文献を検索することで,概念記述の文脈依存的な定義を生成する手法を提案する。 さらに,2つの概念がどのように関連しているか,あるいは異なるのかを記述したリレーショナル定義を生成し,論文間のリンクの推論に関わる爆発に対処する効率的な再分類アプローチを設計する。
• 参考スコア（独自算出の注目度）: 7.086262532457526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the fundamental task of inferring cross-document coreference and hierarchy in scientific texts, which has important applications in knowledge graph construction, search, recommendation and discovery. LLMs can struggle when faced with many long-tail technical concepts with nuanced variations. We present a novel method which generates context-dependent definitions of concept mentions by retrieving full-text literature, and uses the definitions to enhance detection of cross-document relations. We further generate relational definitions, which describe how two concept mentions are related or different, and design an efficient re-ranking approach to address the combinatorial explosion involved in inferring links across papers. In both fine-tuning and in-context learning settings we achieve large gains in performance. We provide analysis of generated definitions, shedding light on the relational reasoning ability of LLMs over fine-grained scientific concepts.
• Abstract（参考訳）: 本稿では,知識グラフの構築,検索,推薦,発見に重要な応用を持つ学術文献におけるクロスドキュメントのコア推論と階層化を推定する基本的な課題に対処する。 LLMは、複雑なバリエーションを持つ長い尾の技術的な概念に直面すると、苦労することがある。 本稿では,全文文献を検索することで概念記述の文脈依存的な定義を生成し,文書間関係の検出を強化する手法を提案する。 さらに,2つの概念の関連性や相違点を記述したリレーショナル定義を新たに生成し,論文間のリンクの推論に関わる組合せ的爆発に対処する効率的な再分類アプローチを設計する。 微調整とコンテキスト内学習の両方の環境では、パフォーマンスの大きな向上を実現しています。 我々は, LLMの微粒な科学概念に対する関係推論能力について, 生成した定義を解析し, 光を遮蔽する。

関連論文リスト

• GIVE: Structured Reasoning with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを統合する新しい推論フレームワークである。 本手法は,ゴールド回答検索ではなく,専門家の問題解決に類似した論理的・段階的推論手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• Enriching Ontologies with Disjointness Axioms using Large Language Models [5.355177558868206]
  大型モデル(LLM)は、クラス不整合公理を識別し、主張することで一貫性を提供する。 本研究の目的は,LLMに埋め込まれた暗黙の知識を活用して,存在論的不一致を分類することである。 以上の結果から, LLMは効果的なプロンプト戦略によって導かれることにより, 不整合性関係を確実に識別できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-04T09:00:06Z)
• URL: Universal Referential Knowledge Linking via Task-instructed Representation Compression [46.43057075676104]
  本稿では,一つの統一モデルによる多種多様な参照知識リンクタスクの解決を目的としたユニバーサル参照知識リンク(URL)を提案する。 また,異なるシナリオ間でタスクをリンクする参照知識に基づくモデルの有効性を評価するための新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-04-24T23:37:15Z)
• Finding Pragmatic Differences Between Disciplines [14.587150614245123]
  文書セクションのドメインに依存しない記述子の固定セットを学習し、これらの記述子にコーパスを"再最適化"する。 我々は、これらの記述子の位置と順序を文書間で分析し、規律と構造の関係を理解する。 本研究は,研究の質,ドメインスタイルの移譲,さらに実践的な分析を行うための基礎となるものである。
  論文  参考訳（メタデータ） (2023-09-30T00:46:14Z)
• Knowledge-Enhanced Hierarchical Information Correlation Learning for Multi-Modal Rumor Detection [82.94413676131545]
  マルチモーダルなうわさ検出のための知識強化型階層型情報相関学習手法(KhiCL)を提案する。 KhiCLは異質な一様性特徴を共通特徴空間に伝達するために、クロスモーダルな関節辞書を利用する。 画像やテキストから視覚的およびテキスト的実体を抽出し、知識関連推論戦略を設計する。
  論文  参考訳（メタデータ） (2023-06-28T06:08:20Z)
• Multimodal Relation Extraction with Cross-Modal Retrieval and Synthesis [89.04041100520881]
  本研究は,対象物,文,画像全体に基づいて,テキストおよび視覚的証拠を検索することを提案する。 我々は,オブジェクトレベル,画像レベル,文レベル情報を合成し,同一性と異なるモダリティ間の推論を改善する新しい手法を開発した。
  論文  参考訳（メタデータ） (2023-05-25T15:26:13Z)
• Multi-Relational Hyperbolic Word Embeddings from Natural Language Definitions [5.763375492057694]
  本稿では、そのような構造を明示的に活用し、定義から単語埋め込みを導出するマルチリレーショナルモデルを提案する。 経験的な分析は、フレームワークが望ましい構造的制約を課すのに役立つことを示している。 実験により、ユークリッド語よりもハイパーボリック語の埋め込みの方が優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-12T08:16:06Z)
• SciCo: Hierarchical Cross-Document Coreference for Scientific Concepts [28.96683772139377]
  我々は、科学論文における概念のための階層的CDCRの新しいタスクを提示する。 目標は、コアファレンスクラスタとそれらの間の階層を共同で推論することです。 このタスクのエキスパートアノテーションデータセットであるSciCoを作成します。これは、著名なECB+リソースよりも3倍大きいです。
  論文  参考訳（メタデータ） (2021-04-18T10:42:20Z)
• ERICA: Improving Entity and Relation Understanding for Pre-trained Language Models via Contrastive Learning [97.10875695679499]
  そこで本研究では, ERICA という新たなコントラスト学習フレームワークを提案し, エンティティとその関係をテキストでより深く理解する。 実験の結果,提案する erica フレームワークは文書レベルの言語理解タスクにおいて一貫した改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T03:35:22Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)
• Explaining Relationships Between Scientific Documents [55.23390424044378]
  本稿では,2つの学術文書間の関係を自然言語テキストを用いて記述する課題に対処する。 本稿では154K文書から622Kサンプルのデータセットを作成する。
  論文  参考訳（メタデータ） (2020-02-02T03:54:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。